Papel da Inteligência Artificial na Previsão da Fadiga Muscular Usando Treinamento de Realidade Virtual
8 de junho de 2023 atualizado por: Rami Abbas, Beirut Arab University
Papel da Inteligência Artificial na Previsão da Fadiga Muscular Usando Treinamento de Realidade Virtual em Indivíduos Saudáveis e Pós-COVID-19
O objetivo deste estudo observacional previsto é prever a fadiga muscular usando um algoritmo específico de IA em indivíduos saudáveis versus infectados pós-Covid-19. A principal questão que pretende responder é:
A Inteligência Artificial pode ser usada como uma fonte confiável de previsão de fadiga muscular localizada em indivíduos saudáveis versus infectados pós-Covid-19?
Os participantes serão divididos em dois grupos: Um grupo saudável e um grupo pós Covid-19.
- Cada grupo passará por um processo de familiarização antes do início dos exercícios.
- Em seguida, cada grupo realizará exercícios de agachamento guiados pelo aparelho de realidade virtual Kynpasis.
- sEMG para o vasto lateral e reto femoral, expansão torácica e medições goniométricas do joelho serão realizadas durante diferentes níveis de fadiga relatados usando o sistema Biopac.
- Os grupos continuarão agachados enquanto registram seus níveis subjetivos de fadiga usando a escala de Borg.
- Os dados serão então executados por meio de processos de aprendizado de máquina para produzir um algoritmo de IA capaz de prever a fadiga muscular isolada.
Visão geral do estudo
Status
Concluído
Condições
Intervenção / Tratamento
Descrição detalhada
Os participantes foram divididos em dois grupos, um composto por indivíduos saudáveis e outro composto por indivíduos com Covid-19. Ambos os grupos receberam um treinamento de familiarização para o exercício a ser realizado com 15 minutos de descanso após, antes do início da coleta de dados.
O exercício de agachamento foi realizado usando uma máquina de realidade virtual (VR) (kynapsis) para orientação em ambos os grupos. Os agachamentos foram realizados mantendo as mãos à frente do corpo e os joelhos flexionados a 90 graus seguindo um ritmo de dois segundos para descida, dois segundos para subida imitando o movimento feito na máquina de RV.
Variáveis adicionais foram consideradas, incluindo expansão torácica e amplitude de movimento usando um goniômetro elétrico, todas medidas e registradas usando o Biopac (BIOPAC Systems, Inc., Santa Bárbara, CA) que, segundo evidências, possui um passa-alta filtro de frequência e sistema de eletrodo bipolar.
Os músculos testados são as 3 cabeças do músculo QF RF, VM e VL. Suas áreas foram limpas com álcool e raspadas para diminuir a resistência dos eletrodos. Foram colocados três eletrodos de superfície sEMG descartáveis, dois deles no ventre muscular com 2,5cm de distância entre eles, e um eletrodo de controle colocado no lado agonista, o participante foi solicitado a estender o joelho e flexioná-lo contra resistência para localizar o lado e vasto medial. Eletrodos de sEMG foram colocados nas subdivisões do músculo QF durante o exercício. Os dados extraídos são então executados por meio de um algoritmo de IA que analisa e prevê a fadiga muscular.
A escala de Borg (C-10) foi explicada aos participantes e estava presente na frente deles durante a execução do exercício como uma medida de resultado para avaliar a fadiga muscular subjetiva que, uma vez alcançada, encerrará o exercício.
Tipo de estudo
Observacional
Inscrição (Real)
90
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Locais de estudo
-
-
-
Beirut, Líbano
- Ahmad ElMelhat
-
-
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
Aceita Voluntários Saudáveis
Sim
Método de amostragem
Amostra de Probabilidade
População do estudo
A população do estudo foi composta por dois grupos.
- Indivíduos saudáveis não atletas que não realizaram atividades intensas nos últimos 3 dias e não tiveram contato anterior com a Covid-19.
- Indivíduos saudáveis não atletas que não realizaram nenhuma atividade intensa nos últimos 3 dias, mas tiveram um teste de PCR positivo confirmado feito dentro de um intervalo de 1 ano.
Descrição
Critério de inclusão:
- Todos os sujeitos incluídos em ambos os grupos do estudo devem ser indivíduos saudáveis não atletas, que evitaram atividades intensas nos últimos 3 dias. Os indivíduos incluídos no grupo Covid-19 devem ter um teste de PCR positivo confirmado feito no intervalo de 1 ano.
Critério de exclusão:
- Devem ser excluídos do estudo os sujeitos que não atenderem aos critérios de inclusão, sendo idosos geriátricos (acima de 50 anos), ou portadores de quaisquer distúrbios respiratórios, cardíacos, renais, neuromusculares, ortopédicos e musculoesqueléticos. Fumantes e alguns usuários de drogas medicinais devem ser levados em consideração, pois prejudicam o desempenho e aumentam os níveis de fadiga.
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
Grupo Saudável
|
O exercício de agachamento foi realizado usando uma máquina de realidade virtual (VR) (kynapsis) para orientação em ambos os grupos.
Os agachamentos foram realizados mantendo as mãos à frente do corpo e os joelhos flexionados a 90 graus seguindo um ritmo de dois segundos para descida, dois segundos para subida imitando o movimento feito na máquina de RV.
|
|
Grupo Pós Covid-19
|
O exercício de agachamento foi realizado usando uma máquina de realidade virtual (VR) (kynapsis) para orientação em ambos os grupos.
Os agachamentos foram realizados mantendo as mãos à frente do corpo e os joelhos flexionados a 90 graus seguindo um ritmo de dois segundos para descida, dois segundos para subida imitando o movimento feito na máquina de RV.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Eletromiografia de superfície
Prazo: Durante o exercício de agachamento.
|
técnica não invasiva onde eletrodos foram colocados nas cabeças do vasto lateral e reto femoral do músculo quadríceps femoral, avaliando sua saída mioelétrica.
Suas áreas foram limpas com álcool e raspadas para diminuir a resistência dos eletrodos.
Foram colocados três eletrodos de superfície sEMG descartáveis, dois deles no ventre muscular com 2,5cm de distância entre eles, e um eletrodo de controle colocado no lado agonista, o participante foi solicitado a estender o joelho e flexioná-lo contra resistência para localizar o lado e vasto medial.
Eletrodos de sEMG foram colocados nas subdivisões do músculo QF durante o exercício.
Os dados extraídos são então executados por meio de um algoritmo de IA que analisa e prevê a fadiga muscular.
|
Durante o exercício de agachamento.
|
|
A escala de classificação de esforço percebido (RPE) de Borg
Prazo: Durante o exercício de agachamento.
|
Uma ferramenta para medir o esforço e esforço de um indivíduo, falta de ar e fadiga durante o trabalho físico e, portanto, é altamente relevante para a prática de saúde e segurança ocupacional.
Varia de 6 no mínimo a 20 no máximo, com 6 significando nenhum esforço e 20 significando esforço máximo extremo
|
Durante o exercício de agachamento.
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Expansão do peito.
Prazo: Durante o exercício de agachamento.
|
Utilizando um transdutor de respiração enrolado no peito do sujeito por meio de uma cinta de velcro que transmite os dados de expansão para o módulo receptor principal do Biopac, que serão registrados no computador.
|
Durante o exercício de agachamento.
|
|
Amplitude de movimento.
Prazo: Durante o exercício de agachamento.
|
Utilizando um goniômetro elétrico ligado ao joelho do sujeito que irá transmitir sinais de amplitude de movimento para o módulo receptor do Biopac que serão registrados no computador.
|
Durante o exercício de agachamento.
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Publicações e links úteis
A pessoa responsável por inserir informações sobre o estudo fornece voluntariamente essas publicações. Estes podem ser sobre qualquer coisa relacionada ao estudo.
Publicações Gerais
- Disser NP, De Micheli AJ, Schonk MM, Konnaris MA, Piacentini AN, Edon DL, Toresdahl BG, Rodeo SA, Casey EK, Mendias CL. Musculoskeletal Consequences of COVID-19. J Bone Joint Surg Am. 2020 Jul 15;102(14):1197-1204. doi: 10.2106/JBJS.20.00847.
- Paneroni M, Simonelli C, Saleri M, Bertacchini L, Venturelli M, Troosters T, Ambrosino N, Vitacca M. Muscle Strength and Physical Performance in Patients Without Previous Disabilities Recovering From COVID-19 Pneumonia. Am J Phys Med Rehabil. 2021 Feb 1;100(2):105-109. doi: 10.1097/PHM.0000000000001641.
- Qian J, McDonough DJ, Gao Z. The Effectiveness of Virtual Reality Exercise on Individual's Physiological, Psychological and Rehabilitative Outcomes: A Systematic Review. Int J Environ Res Public Health. 2020 Jun 10;17(11):4133. doi: 10.3390/ijerph17114133.
- Wan JJ, Qin Z, Wang PY, Sun Y, Liu X. Muscle fatigue: general understanding and treatment. Exp Mol Med. 2017 Oct 6;49(10):e384. doi: 10.1038/emm.2017.194.
- A narrative review of immersive virtual reality's ergonomics and risks at the workplace: cybersickness, visual fatigue, muscular fatigue, acute stress, and mental overload Souchet, A.D., Lourdeaux, D., Pagani, A. et al. A narrative review of immersive virtual reality's ergonomics and risks at the workplace: cybersickness, visual fatigue, muscular fatigue, acute stress, and mental overload. Virtual Reality (2022). https://doi.org/10.1007/s10055-022-00672-0
- Donatelli, R.A. (2007) Sports-specific rehabilitation. St. Louis, MO: Churchill Livingstone.
- Hall, J. E., & Hall, M. E. (2020). Guyton and Hall textbook of medical physiology e-Book. Elsevier Health Sciences.
- Schoenfeld BJ. Squatting kinematics and kinetics and their application to exercise performance. J Strength Cond Res. 2010 Dec;24(12):3497-506. doi: 10.1519/JSC.0b013e3181bac2d7.
- Kubo K, Ikebukuro T, Yata H. Effects of squat training with different depths on lower limb muscle volumes. Eur J Appl Physiol. 2019 Sep;119(9):1933-1942. doi: 10.1007/s00421-019-04181-y. Epub 2019 Jun 22.
- Davenport T, Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc J. 2019 Jun;6(2):94-98. doi: 10.7861/futurehosp.6-2-94.
- Tack C. Artificial intelligence and machine learning | applications in musculoskeletal physiotherapy. Musculoskelet Sci Pract. 2019 Feb;39:164-169. doi: 10.1016/j.msksp.2018.11.012. Epub 2018 Nov 23.
- Luna A, Casertano L, Timmerberg J, O'Neil M, Machowsky J, Leu CS, Lin J, Fang Z, Douglas W, Agrawal S. Artificial intelligence application versus physical therapist for squat evaluation: a randomized controlled trial. Sci Rep. 2021 Sep 13;11(1):18109. doi: 10.1038/s41598-021-97343-y.
- Alsobhi M, Khan F, Chevidikunnan MF, Basuodan R, Shawli L, Neamatallah Z. Physical Therapists' Knowledge and Attitudes Regarding Artificial Intelligence Applications in Health Care and Rehabilitation: Cross-sectional Study. J Med Internet Res. 2022 Oct 20;24(10):e39565. doi: 10.2196/39565.
- Sun J, Liu G, Sun Y, Lin K, Zhou Z, Cai J. Application of Surface Electromyography in Exercise Fatigue: A Review. Front Syst Neurosci. 2022 Aug 11;16:893275. doi: 10.3389/fnsys.2022.893275. eCollection 2022.
- Al-Mulla MR, Sepulveda F, Colley M. An autonomous wearable system for predicting and detecting localised muscle fatigue. Sensors (Basel). 2011;11(2):1542-57. doi: 10.3390/s110201542. Epub 2011 Jan 27.
- Calder KM, Stashuk DW, McLean L. Physiological characteristics of motor units in the brachioradialis muscle across fatiguing low-level isometric contractions. J Electromyogr Kinesiol. 2008 Feb;18(1):2-15. doi: 10.1016/j.jelekin.2006.08.012. Epub 2006 Nov 20.
- Torvik, G. I., Triantaphyllou, E., Liao, T., & Waly, S. (1999, March). Predicting muscle fatigue via electromyography: A comparative study. In Proceedings of the 25th International Conference on Computers and Industrial Engineering (pp. 277-280)
- Caesaria, A. P., Endro Yulianto, Luthfiyah, S., Triwiyanto, T., & Rizal, A. (2023). Effect of Muscle Fatigue on EMG Signal and Maximum Heart Rate for Pre and Post Physical Activity. Journal of Electronics, Electromedical Engineering, and Medical Informatics, 5(1), 39-45. https://doi.org/10.35882/jeeemi.v5i1.278
- Ahmad I, Kim JY. Assessment of Whole Body and Local Muscle Fatigue Using Electromyography and a Perceived Exertion Scale for Squat Lifting. Int J Environ Res Public Health. 2018 Apr 18;15(4):784. doi: 10.3390/ijerph15040784.
- Dos Santos PK, Sigoli E, Braganca LJG, Cornachione AS. The Musculoskeletal Involvement After Mild to Moderate COVID-19 Infection. Front Physiol. 2022 Mar 18;13:813924. doi: 10.3389/fphys.2022.813924. eCollection 2022.
- Diem L, Fregolente-Gomes L, Warncke JD, Hammer H, Friedli C, Kamber N, Jung S, Bigi S, Funke-Chambour M, Chan A, Bassetti CL, Salmen A, Hoepner R. Fatigue in Post-COVID-19 Syndrome: Clinical Phenomenology, Comorbidities and Association With Initial Course of COVID-19. J Cent Nerv Syst Dis. 2022 May 24;14:11795735221102727. doi: 10.1177/11795735221102727. eCollection 2022.
- Ducrocq GP, Blain GM. Relationship between neuromuscular fatigue, muscle activation and the work done above the critical power during severe-intensity exercise. Exp Physiol. 2022 Apr;107(4):312-325. doi: 10.1113/EP090043. Epub 2022 Mar 4.
- Joli J, Buck P, Zipfel S, Stengel A. Post-COVID-19 fatigue: A systematic review. Front Psychiatry. 2022 Aug 11;13:947973. doi: 10.3389/fpsyt.2022.947973. eCollection 2022.
- Faulkner JA, Larkin LM, Claflin DR, Brooks SV. Age-related changes in the structure and function of skeletal muscles. Clin Exp Pharmacol Physiol. 2007 Nov;34(11):1091-6. doi: 10.1111/j.1440-1681.2007.04752.x.
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (Real)
15 de abril de 2023
Conclusão Primária (Real)
1 de junho de 2023
Conclusão do estudo (Real)
7 de junho de 2023
Datas de inscrição no estudo
Enviado pela primeira vez
3 de abril de 2023
Enviado pela primeira vez que atendeu aos critérios de CQ
13 de abril de 2023
Primeira postagem (Real)
14 de abril de 2023
Atualizações de registro de estudo
Última Atualização Postada (Real)
9 de junho de 2023
Última atualização enviada que atendeu aos critérios de controle de qualidade
8 de junho de 2023
Última verificação
1 de junho de 2023
Mais Informações
Termos relacionados a este estudo
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- AI in Prediciting Fatigue
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
INDECISO
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .